该研究提出了一个名为 GCPANet 的新网络，采用一些渐进式的、上下文感知的特征交织聚合 (FIA) 模块有效地整合低层外观特征、高层语义特征和全局上下文特征，并通过监督学习生成显着性图像。此外，还设计了一个头部注意力 (HA) 模块、一个自我细化 (SR) 模块和一个全局上下文流 (GCF) 模块，以进一步提高网络性能。实验结果表明，该方法在六个基准数据集上的表现比现有方法都要好。

Mar, 2020

探索图注意力网络在图像特征提取中的应用，通过图生成算法将图像转换成图，并利用图注意力网络更新节点特征，设计了基于像素的图注意力网络应用于人员再识别任务，在多个数据集上都取得了优于现有方法的性能。

Jul, 2023

本文介绍了一种计算效率高且模块化的框架 ——Latent Graph Attention（LGA），该框架能够将全局背景信息融入现有架构中，特别是能够使小型架构的性能接近大型架构，从而使轻量级架构在计算能力和能源需求较低的边缘设备中更加有效。在透明物体分割、去雾图像恢复和光流估计三个应用中，LGA 模块的引入改善了性能。

Jul, 2023

表面缺陷检测是一个具有挑战性的任务，传统高精度的缺陷检测方法通常需要昂贵的计算和存储成本。因此，本文提出了一种基于编码 - 解码结构的全局上下文聚合网络 (GCANet) 来实现轻量级表面缺陷的显著性检测。GCANet 在轻量级骨干网络的顶部引入了一个新颖的 Transformer 编码器，并通过一种新颖的深度自注意 (DSA) 模块捕获全局上下文信息。此外，本文还引入了一种新颖的通道参考注意 (CRA) 模块，用于在解码器块之前加强来自不同层级的多级特征的表示。实验结果表明，与其他 17 种最先进方法相比，GCANet 在准确性和运行效率之间取得了更好的平衡，在三个公开的缺陷数据集上取得了竞争性的结果。

Sep, 2023

本文介绍了一种名为 CGNet 的编码 - 解码架构，它采用了全局上下文提取器（GCE），这是一种用于图像恢复的新颖高效的捕捉全局信息的方法。通过在卷积层之间使用小核心来学习全局依赖关系，GCE 模块无需自注意力即可实现。广泛的实验结果表明，我们的方法在去噪基准数据集（包括真实图像去噪和合成图像去噪）以及图像去模糊任务上优于一系列最先进的方法，同时具有更高的计算效率。

Jan, 2024

使用双重关注机制及多分支交互网络，在不同尺度上捕捉伪造图像的伪造特征，有效提高伪造图像检测和定位的性能。

Jun, 2024

本文研究如何通过使用生成网络和注意力机制来进行对抗攻击，以误导面部识别网络将某人误认为目标人物而非将其错判不明显的机制。

Nov, 2018

本文提出了一个新的多注意力深度伪造检测网络，该网络通过引入区域独立的损失和基于注意力的数据增强策略来解决学习难度问题，并在多个数据集上展示了该方法在检测深度伪造方面的优越性。

Mar, 2021

介绍了一种名为局部化伪造关注网络（LAA-Net）的用于高质量深度伪造检测的新方法，该方法通过明确的关注机制以及简单有效的升级特征金字塔网络（E-FPN）来提高检测性能。

Jan, 2024

本研究提出了一种基于生成对抗网络的训练方法，通过利用教师 - 网络生成的注意力图来提高图像生成的质量，以及在生成的图像上执行弱目标定位。该方法在 HEp-2 细胞图像上进行了研究，表明其可以进行弱定位。该方法可用于图像生成和数据注释，例如在目标检测中。

Feb, 2018